論文の概要: DETECT: A Hierarchical Clustering Algorithm for Behavioural Trends in Temporal Educational Data

• arxiv url: http://arxiv.org/abs/2005.10640v1
• Date: Mon, 4 May 2020 01:34:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 01:23:15.778066
• Title: DETECT: A Hierarchical Clustering Algorithm for Behavioural Trends in Temporal Educational Data
• Title（参考訳）: DETECT:時間教育データにおける行動トレンドの階層的クラスタリングアルゴリズム
• Authors: Jessica McBroom, Kalina Yacef and Irena Koprinska
• Abstract要約: DETECT(Detection of Educational Trends Elicited by Clustering Time-Series data)は、新たな階層クラスタリングアルゴリズムである。 時間情報は、行動傾向の検出を優先するために、その客観的機能に組み込まれている。 適用が容易で、非常にカスタマイズ可能で、幅広い教育データセットに適用でき、容易に解釈可能な結果が得られる。
• 参考スコア（独自算出の注目度）: 2.438894206045968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Techniques for clustering student behaviour offer many opportunities to improve educational outcomes by providing insight into student learning. However, one important aspect of student behaviour, namely its evolution over time, can often be challenging to identify using existing methods. This is because the objective functions used by these methods do not explicitly aim to find cluster trends in time, so these trends may not be clearly represented in the results. This paper presents `DETECT' (Detection of Educational Trends Elicited by Clustering Time-series data), a novel divisive hierarchical clustering algorithm that incorporates temporal information into its objective function to prioritise the detection of behavioural trends. The resulting clusters are similar in structure to a decision tree, with a hierarchy of clusters defined by decision rules on features. DETECT is easy to apply, highly customisable, applicable to a wide range of educational datasets and yields easily interpretable results. Through a case study of two online programming courses (N>600), this paper demonstrates two example applications of DETECT: 1) to identify how cohort behaviour develops over time and 2) to identify student behaviours that characterise exercises where many students give up.
• Abstract（参考訳）: 生徒行動のクラスタリング技術は、生徒の学習に対する洞察を提供することで、教育成果を改善する多くの機会を提供する。 しかし、学生の行動、すなわち時間とともに進化する一つの重要な側面は、しばしば既存の方法を使って識別することが難しい。 これは、これらの手法が用いた目的関数が時間内にクラスタトレンドを明示的に見つけることを意図していないためであり、その結果にこれらの傾向が明確に表現されない可能性があるためである。 本稿では,時間情報を目的関数に組み込んで行動的傾向の検出を優先する,新たな分割型階層クラスタリングアルゴリズムである「検出」(時系列データクラスタリングによる教育的傾向の検出)を提案する。 結果として生成されたクラスタは、決定ツリーと構造が似ており、機能に関する決定ルールによって定義されるクラスタの階層構造がある。 DETECTは簡単に適用でき、非常にカスタマイズ可能で、幅広い教育データセットに適用でき、容易に解釈可能な結果が得られる。 2つのオンラインプログラミングコース(N>600)のケーススタディを通じて、DETECTの2つの応用例を示す。 1)コホート行動が時間とともにどのように発達するかを特定すること 2)多くの学生が諦める演習を特徴付ける学生行動を特定する。

関連論文リスト

• Interpret3C: Interpretable Student Clustering Through Individualized Feature Selection [2.428031280449541]
  教育におけるクラスタリング、特にMOOCのような大規模オンライン環境でのクラスタリングは、多様な学生のニーズを理解し、適応するために不可欠である。 既存のクラスタリングアプローチは、機能の重要性における個々の違いを無視し、均質化された機能セットに依存していることが多い。 本稿では,解釈可能なニューラルネットワーク(NN)を教師なし学習コンテキストに組み込んだ,新たなクラスタリングパイプラインであるInterpret3Cを紹介する。
  論文  参考訳（メタデータ） (2024-05-28T15:32:05Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Spatiotemporal Self-supervised Learning for Point Clouds in the Wild [65.56679416475943]
  空間領域と時間領域の両方で正のペアを利用するSSL戦略を導入する。 2つの大規模LiDARデータセット上で,自己教師型トレーニングによって実施した広範囲な実験を通じて,このアプローチのメリットを実証する。
  論文  参考訳（メタデータ） (2023-03-28T18:06:22Z)
• DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
  離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。 本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
  論文  参考訳（メタデータ） (2022-10-19T14:34:12Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Temporal graph-based approach for behavioural entity classification [0.0]
  本研究では,サイバーセキュリティ領域におけるグラフ構造の可能性を利用するための2段階的アプローチを提案する。 主なアイデアは、ネットワーク分類問題をグラフベースの振る舞い問題に変換することです。 正常実体と攻撃実体の両方の進化を表すことができるこれらのグラフ構造を抽出します。 3つのクラスタリング手法が通常のエンティティに適用され、類似の動作を集約し、不均衡問題を緩和し、ノイズデータを削減する。
  論文  参考訳（メタデータ） (2021-05-11T06:13:58Z)
• Clustering Analysis of Interactive Learning Activities Based on Improved BIRCH Algorithm [0.0]
  良質な学習行動の構築は、学習者の学習過程と学習効果にとって非常に重要であり、データ駆動型教育意思決定の鍵となる基礎である。 多期間・多コースのオンライン学習行動ビッグデータセットを取得し,学習行動を多次元学習インタラクションアクティビティとして記述する必要がある。 ランダムウォーキング戦略に基づくBIRCHクラスタリングの改良アルゴリズムを設計し、キーラーニングインタラクションアクティビティの検索評価とデータを実現する。
  論文  参考訳（メタデータ） (2020-10-08T07:46:46Z)
• Few-Shot Unsupervised Continual Learning through Meta-Examples [21.954394608030388]
  教師なしメタコンチネンタル学習とタスクのバランスが取れない新しい複雑な設定を導入する。 我々は、破滅的な忘れを同時に軽減し、新しいタスクへの一般化を優先するメタラーニング手法を利用する。 数ショットの学習ベンチマークによる実験結果から, 教師付きケースと比較して, 競争性能が向上した。
  論文  参考訳（メタデータ） (2020-09-17T07:02:07Z)
• Data-driven modelling and characterisation of task completion sequences in online courses [0.0]
  本稿では,オンライン授業におけるタスク完了の時間的シーケンスのデータ駆動分析の利用方法を示す。 コース設計における課題のタイプ間における臨界点と相違点を同定する。 対話的タスクや議論投稿などの非ロボット学習タスクは、より高いパフォーマンスと相関していることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T12:39:03Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。